苹果树叶多病害及不可辨别病害的轻量识别算法

• Published in: 农业工程学报 Vol. 39; no. 14; pp. 184 - 190
• Main Authors: 李想, 胡肖楠, 李方一, 许金坡
• Format: Journal Article
• Language: Chinese
• Published: 中国农业大学信息与电气工程学院,北京 100083 01.07.2023
• Subjects: 病害; S-DenseNet-E; apple; deep learning; 苹果; disease; 深度学习; 图像识别; image recognition; 轻量级; lightweight
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202204161

S24%TP391.4; 为提高苹果园中现有设备的病害树叶识别精度,该研究提出了一种快速识别方法S-DenseNet-E.首先,基于DenseNet的Dense模块提出了S-Dense模块,并基于S-Dense模块搭建了S-DenseNet模型.S-Dense模块在输出层中以前馈直连方式将模型内每一层输出聚合连接在一起,改善了Dense模块的密集连接存在计算量大的问题,有效减小了模型计算量.通过在Phytopathology 2021 FGVC8的苹果树叶病害公开数据集上测试表明,S-DenseNet的F1-score达到85.14%,高于常用的CNN类模型;其识别推理时间(或延迟)是 33.03 ms,低于MobileNetV2模型.其次,针对S-DenseNet模型在不可辨别病害上的F1-score较低(65.82%)的问题,该研究在S-DenseNet基础上增加辅助模型专门识别不可辨别病害,形成S-DenseNet-E方法.在同一数据集上测试表明,S-DenseNet-E在不可辨别病害上的F1-score达到70.10%,识别推理时间为 38.92 ms,比S-DenseNet模型仅升高 5.89 ms,并且保持了原来S-DenseNet对其他病害的识别效果.因此,该研究表明,S-DenseNet-E方法针对苹果患多种病害和不可辨别病害两种复杂情形的识别效果好,并且计算资源的需求较少,满足果园实际需求.